[논문 리뷰] Spatial Features for Multi-Font/Multi-Size Kannada Numerals and Vowels Recognition

B.V. Dhandra, Mallikarjun Hangarge외 1명|arXiv (Cornell University)|2011. 07. 06.

Handwritten Text Recognition Techniques참고 문헌 11인용 수 6

한 줄 요약

이 논문은 스트로크 밀도, 스트로크 길이, 스트로크 수를 분류 특징으로 사용하여 다양한 글꼴과 크기의 칸나다 숫자 및 영문자를 인식하기 위한 공간적 특징 기반 접근법을 제안한다. 다중 클래스 서포트 벡터 머신(SVM)으로 분류한 결과, 숫자의 정확도는 98.45%, 영문자의 정확도는 90.64%를 기록하여 다양한 글꼴과 크기 변화에 걸쳐 뛰어난 성능을 보였다.

ABSTRACT

This paper presents multi-font/multi-size Kannada numerals and vowels recognition based on spatial features. Directional spatial features viz stroke density, stroke length and the number of stokes in an image are employed as potential features to characterize the printed Kannada numerals and vowels. Based on these features 1100 numerals and 1400 vowels are classified with Multi-class Support Vector Machines (SVM). The proposed system achieves the recognition accuracy as 98.45% and 90.64% for numerals and vowels respectively.

연구 동기 및 목표

• 다양한 글꼴과 크기에서 인식되는 인쇄된 칸나다 숫자 및 영문자를 다루는 도전 과제를 해결하기 위해.
• 글꼴과 크기 변화와 무관하게 구조적 특징을 포괄하는 강건한 특징 세트를 개발하기 위해.
• 방향성 공간 특징—스트로크 밀도, 스트로크 길이, 스트로크 수—이 문자 인식에 효과적으로 기여하는지 평가하기 위해.
• 실세계의 인쇄된 칸나다 텍스트에서 기계 학습 분류기를 사용해 높은 인식 정확도를 달성하기 위해.
• 컴putational linguistics 분야에서 자원이 적은 언어인 칸나다 스크립트를 위한 확장 가능한 광학 문자 인식(OCR) 솔루션을 제공하기 위해.

제안 방법

• 방향성 공간 특징인 스트로크 밀도, 스트로크 길이, 스트로크 수를 칸나다 문자의 이진 이미지에서 추출한다.
• 전처리 단계로 이진화와 노이즈 감소를 수행하여 특징 추출 정확도를 향상시킨다.
• 특징는 정규화되어 다중 클래스 서포트 벡터 머신(SVM)에 입력되어 분류된다.
• 시스템은 다양한 글꼴과 크기에서 유래한 1,100개의 칸나다 숫자와 1,400개의 영문자를 기반으로 훈련된다.
• SVM은 다중 문자 클래스 간 분류를 위해 one-vs-one 전략을 사용한다.
• 다양한 글꼴과 크기 조건에서의 성능 평가를 위해 교차 검증이 적용된다.

실험 결과

연구 질문

• RQ1 스트로크 밀도, 스트로크 길이, 스트로크 수와 같은 공간적 특징이 다양한 글꼴과 크기에서 칸나다 숫자 및 영문자의 구조적 차이를 효과적으로 표현할 수 있는가?
• RQ2 다양한 글꼴과 크기의 칸나다 문자에 대해 전통적 방법과 비교했을 때 제안된 특징 세트는 어떤 수준의 인식 정확도를 달성하는가?
• RQ3 공간적 특징에 기반한 SVM 분류기가 예상치 못한 글꼴과 크기 변화에 얼마나 잘 일반화되는가?
• RQ4 칸나다 스크립트 OCR에 있어서 공간적 특징만을 사용할 때 달성 가능한 최고의 인식 정확도는 어느 정도인가?
• RQ5 스트로크 기하학에 기반한 간결한 특징 세트는 복잡한 딥러닝 아키텍처 없이도 높은 성능을 달성할 수 있는가?

주요 결과

• 다양한 글꼴과 크기에서 칸나다 숫자의 인식 정확도가 98.45%에 도달한다.
• 동일한 특징 및 분류기 프레임워크를 사용해 칸나다 영문자의 인식 정확도는 90.64%에 이른다.
• 스트로크 밀도, 스트로크 길이, 스트로크 수의 조합은 강력한 분류에 충분한 분류 능력을 제공한다.
• 이 방법은 글꼴과 크기 변화에 걸쳐 강력한 일반화 성능을 보이며, 특징의 강건성을 시사한다.
• 이 자원이 적은 스크립트 환경에서 공간적 특징을 사용한 SVM이 베이스라인 방법보다 뛰어난 성능을 보였다.
• 수작업으로 구성한 공간적 특징이 대규모 레이블이 부여된 데이터셋이나 딥러닝 모델이 없이도 높은 정확도를 달성할 수 있음을 확인했다.